Automatic recognition of the type of road vehicles with the use of optimised ring-wedge detector and neural network

• Autorzy: Cyran K. A. , Niedziela T.

Warianty tytułu

PL

Automatyczne rozpoznawanie klas pojazdów drogowych z użyciem zoptymalizowanego detektora pierścieniowo-klinowego oraz sieci neuronowej

• Języki publikacji: EN

Abstrakty

EN

The automatic recognition of the type of the vehicle constitutes one of the contemporary means used for monitoring of the road transport. The paper presents a system, based on the optimised ring-wedge detector and neural network, applied to the recognition of road vehicles. The design of the system utilises a method of optimisation which was first applied in a system used for the monitoring of a subsurface stress in the optical fibre. The method, claimed theoretically to be general, indeed has proved the usefulness also in the case of system dedicated for monitoring of the road. The experimental results indicate that the system performs recognition with 100% accuracy in testing. This accuracy however, is obtained only for possible consensus decision based on four subsequent images of a given vehicle. If the consensus is not possible, due to contradicting decisions concerning two subgroups composed of two images each, the signal for rejection of the recognition is generated. Such situation has happened for 6% of testing vehicles.

PL

Automatyczne rozpoznawanie klasy pojazdu drogowego tworzy jeden ze współczesnych środków monitorowania transportu drogowego. Artykuł prezentuje system oparty na zoptymalizowanym detektorze pierścieniowo-klinowym (DPK) oraz sieci neuronowej do celów rozpoznawania pojazdów drogowych. Projekt systemu zawiera metodę optymalizacji, która pierwotnie została zaprojektowana dla systemu monitorowania nacisku w światłowodzie. Metoda jest uniwersalna, udowodniono jej przydatność w przypadku systemu monitorowania ruchu drogowego. Doświadczalne wyniki wskazują, że system wykazuje 100% pewności w rozpoznawaniu obiektów podczas testowania. Ta dokładność jednakże jest osiągnięta dla zbioru uczącego złożonego z czterech podzbiorów. Jeśli rozpoznanie nie jest możliwe z powodu niezgodności decyzji dla dwóch podgrup złożonych z dwóch obrazów, generowany jest sygnał odmowy rozpoznania. Taka sytuacja zdarzyła się dla 6% z przetestowanych pojazdów.

Słowa kluczowe

EN

recognition of the road vehicles; monitoring of the road

PL

rozpoznawanie obiektów; monitoring drogowy; pojazdy drogowe; ruch drogowy

• Wydawca: Warsaw University of Technology, Faculty of Transport
• Czasopismo: Archives of Transport
• Rocznik: 2006
• Tom: Vol. 18, iss. 3
• Strony: 23--36
• Opis fizyczny: Bibliogr. 15 poz., fot., rys.

Twórcy

autor

Cyran K. A.

autor

Niedziela T.

• Politechnika Śląska, Instyutut Informatyki, 44-101 Gliwice, ul. Akademicka 16

Bibliografia

• 1. Berfanger D. M, George N.: All-digital ring-wedge detector applied to fingerprint recognition. Applied Optics, 38 (2), 1999, 357-369.
• 2. Berfanger D. M, George N.: All-digital ring wedge detector applied to image quality as-sessment. Applied Optics, 39 (23), 2000, 4080-4097.
• 3. Casasent D., Song J.: A computer generated hologram for diffraction-pattern sampling. Proc. SPIE., 523, 1985,227-236.
• 4. Cyran K. A., Jaroszewicz L. R.: Concurrent signal processing in optimized hybrid CGH-ANN system. Opt. Appl., 31, 2001, 681-689.
• 5. Cyran K. A., Jaroszewicz L. R., Niedziela T.: Neural network based automatic diffraction pattern recognition. Opto-elect. Rev., 9, 2001, 301-307.
• 6. Cyran K. A., Mrózek A.: Rough sets in hybrid methods for pattern recognition. Int. J. Intel. Sys., 16,2001, 149-168.
• 7. Cyran K. A., Niedziela T., Jaroszewicz J. R., Podeszwa T.: Neural classifiers in diffraction image processing. Proc. Int. Conf. Comp. Vision Graph., Zakopane, Poland, 2002, 223-228.
• 8. Cyran K. A., Stańczyk U., Jaroszewicz L. R.: Subsurface stress monitoring system based on holographic ring-wedge detector and neural network. [In:] McNulty G.J. (ed.): Quality, Reliability and Maintenance. Professional Engineering Publishing, Bury St Edmunds, London, 2002, 65-68.
• 9. Fares A., Bouzid A., Hamdi M.: Rotation invariance using diffraction pattern sampling in optical pattern recognition. J. of Microwaves and Optoelectronics, 2 (2), 2000, 33-39.
• 10. Ganotra D., Joseph J., Singh K.: Modified geometry of ring-wedge detector for sampling Fourier transform of fingerprints for classification using neural networks. Proc. SPIE, 4829,2003,407-408.
• 11. Ganotra D., Joseph J., Singh K.: Neural network based face recognition by using diffraction pattern sampling with a digital ring-wedge detector. Optics Communications, 202, 2002, 61-68.
• 12. George N., Wang S.: Neural networks applied to diffraction-pattern sampling. Appl. Opt., 33, 1994, 3127-3134.
• 13. Jaroszewicz L. R., Cyran K. A., Podeszwa T.: Optimized CGH-based pattern recognizer. Opt. Appl., 30, 2000, 317-333.
• 14. Jaroszewicz L. R., Merta I., Podeszwa T., Cycan K. A.: Airplane engine condition monitoring system based on artificial neural network. [In:J McNulty G.J. (ed.): Quality, Reliability and Maintenance. Professional Engineering Publishing, Bury St Edmunds, London, 2002, 179-182.
• 15. Podeszwa T., Jaroszewicz L. R., Cyran K. A.: Fiberscope based Engine Condition Monitoring System. Proc. SPIE., 5124, 2003, 299-303.